Mentor IA Athenia : apprendre à diriger l'IA, pas la subir

Risques abordés

• Dettes cognitives : l'utilisateur externalise l'effort intellectuel au lieu de renforcer ses propres capacités.
• Deskilling : certaines compétences métier ou cognitives se dégradent faute de pratique active.
• Baisse de persévérance : l'habitude d'obtenir une réponse rapide réduit la tolérance à l'effort.
• Perte de performance autonome : l'utilisateur réussit moins bien lorsque l'assistance IA disparaît.
• Perte d'appropriation : il produit un livrable mais ne maîtrise pas toujours le raisonnement qui l'a généré.
• Cognitive offloading excessif : l'outil ne soutient plus la pensée, il la remplace.

Lecture stratégique

Ce risque est central pour Athenia : il ne suffit pas de former des étudiants ou collaborateurs à « utiliser ChatGPT ». Il faut former des professionnels capables de structurer un problème, d'interroger l'IA, de vérifier, de corriger, puis d'expliquer leur raisonnement sans dépendre de l'outil.

Risques abordés

• Déqualification professionnelle : l'outil prend en charge une partie du travail que les juniors devraient apprendre à faire eux-mêmes.
• Saut d'étapes d'apprentissage : l'accès immédiat à une bonne sortie réduit l'acquisition progressive des fondamentaux métier.
• Polarisation des compétences : les profils déjà expérimentés utilisent l'IA pour aller plus vite, alors que les moins formés peinent à transformer l'outil en véritable levier.
• Réduction des postes juniors : certaines tâches d'entrée de carrière deviennent automatisables, ce qui réduit les opportunités d'apprentissage terrain.
• Concentration des gains : la valeur créée se concentre chez les profils capables de piloter, cadrer et challenger l'IA.
• Inégalités de progression : deux collaborateurs équipés du même outil n'obtiennent pas les mêmes bénéfices selon leur niveau de formation initiale.

Lecture stratégique

Ce risque touche directement l'éducation, le recrutement, la formation et le management. Si l'IA supprime les étapes intermédiaires d'apprentissage, elle peut créer une organisation plus productive à court terme, mais plus fragile à moyen terme : moins de juniors opérationnels, moins de transmission terrain et plus d'écart entre les profils qui savent piloter l'IA et les autres.

Risques abordés

• Hallucinations : production d'informations inventées ou incorrectes.
• Sycophantie : tendance à valider les croyances de l'utilisateur plutôt que la vérité.
• Biais de confirmation : l'IA peut renforcer ce que l'utilisateur veut entendre.
• Sources fragiles : citations inexistantes, obsolètes ou mal interprétées.
• Fausses certitudes : réponse plausible, structurée, mais erronée.
• Raisonnement séduisant : forme convaincante masquant un fond faible.

Lecture stratégique

Risque majeur là où l'erreur coûte cher : droit, financement, conformité, recrutement, pédagogie, cybersécurité, stratégie. La réponse IA peut donner l'illusion d'une expertise sans vérification des hypothèses.

Risques abordés

• Shadow AI : usage d'outils IA non autorisés ou non recensés.
• Data leakage : données internes, clients ou RH copiées dans des outils externes.
• Prompt injection : attaque visant à manipuler le comportement du modèle ou de l'agent.
• Non-conformité : RGPD, confidentialité, propriété intellectuelle, obligations sectorielles.
• Multiplication d'outils : abonnements, extensions et comptes non pilotés.
• Perte de traçabilité : impossible de savoir qui a utilisé quoi, avec quelles données.

Lecture stratégique

Ce risque est l'un des plus faciles à vendre à des dirigeants : il ne porte pas sur une opinion philosophique sur l'IA, mais sur des risques concrets de sécurité, données, conformité, réputation et gouvernance.

Risques abordés

• Coût d'inférence non piloté : chaque requête envoyée à un modèle d'IA a un coût réel en calcul, énergie et infrastructure. À l'échelle d'une équipe ou d'une organisation, ces coûts s'accumulent sans être mesurés ni arbitrés.
• Mauvais appariement modèle / tâche : utiliser un modèle frontier (GPT-4o, Claude 3.5 Sonnet, Gemini Ultra) pour des tâches simples multiplie le coût d'inférence par 10 à 50 sans gain de valeur. Le choix du modèle est une décision économique autant que technique.
• Agents en boucle : les workflows agentiques (agents autonomes, chaînes de prompts, appels d'outils répétés) peuvent multiplier le nombre de requêtes par 20 à 100 par rapport à un usage direct. Chaque appel d'outil, chaque étape de raisonnement, chaque retry génère un coût.
• Écart prix de vente / coût d'entraînement : entraîner un modèle frontier coûte plusieurs centaines de millions, voire plusieurs milliards de dollars. Les prix de vente actuels sont structurellement en dessous de ces coûts. Les labs font le pari que le volume et les futurs services justifieront les pertes actuelles.
• Dépendance aux prix subventionnés : les organisations qui construisent aujourd'hui des workflows, des produits ou des processus critiques sur ces prix s'exposent à une rupture tarifaire si les labs décident d'aligner leurs prix sur leurs coûts réels ou de réorienter leurs offres.
• Concentration fournisseur : dépendre d'un seul lab (OpenAI, Anthropic, Google) expose à des hausses de prix unilatérales, des modifications d'API, ou des interruptions de service sans alternative immédiate.

Le coût d'inférence expliqué

L'inférence, c'est le coût de faire tourner un modèle entraîné pour répondre à une requête. Contrairement au coût d'entraînement (ponctuel, massive), l'inférence est un coût récurrent : chaque prompt, chaque réponse, chaque appel d'API en génère un.

Ce coût dépend de trois facteurs : la taille du modèle (plus il est grand, plus il coûte), le nombre de tokens traités (entrée + sortie), et la fréquence d'usage. Un modèle frontier répond peut-être 10 fois mieux qu'un modèle léger — mais souvent pour des tâches qui n'exigent pas 10 fois mieux.

L'écart entraînement / prix de vente

C'est la bombe à retardement structurelle de l'IA. Les grands labs (OpenAI, Anthropic, Google DeepMind, Meta AI) ont dépensé des centaines de millions à plusieurs milliards de dollars pour entraîner leurs modèles les plus avancés. Or leurs tarifs d'API actuels sont fixés bien en dessous de ce que nécessiterait un équilibre économique à court terme.

Cette stratégie de prix bas n'est pas philanthropique — c'est une conquête de marché. L'objectif est de créer une dépendance : intégrer l'IA dans les processus métier, les produits, les habitudes de travail. Une fois cette dépendance installée, les organisations auront beaucoup moins de levier pour négocier ou changer de fournisseur.

Symptômes observables

• Aucun tableau de bord des coûts IA par équipe, projet ou cas d'usage.
• Des modèles premium utilisés pour des tâches de classification ou de reformulation simples.
• Des agents autonomes qui génèrent 50 requêtes pour accomplir ce qu'un prompt structuré ferait en une.
• Des budgets IA non plafonnés, sans alertes ni monitoring.
• Une dépendance totale à un seul fournisseur, sans stratégie de substitution.
• Aucune analyse du ROI réel : temps gagné vs coût généré.